一种用于智能建筑异常检测的联邦学习方法
机器学习
2021-06-25 v3
摘要
智能建筑中的物联网（IoT）传感器正变得日益普及，使建筑更宜居、节能且可持续。这些设备感知环境并生成对检测异常和改善智能建筑能耗预测至关重要的多变量时序数据。然而，在集中式系统中检测这些异常常受困于巨大的响应时间延迟。为克服此问题，我们利用多任务学习范式在联邦学习设定下表述异常检测问题，该范式旨在同时解决多个任务，同时利用跨任务的相似性与差异。我们提出了一种采用隐私保护设计的新型联邦学习模型，使用堆叠长短期记忆（LSTM）模型，并证明其在训练收敛期间比集中式LSTM快两倍以上。我们的联邦学习方法在通用电气Current智能建筑IoT生产系统生成的三个真实数据集上展示了有效性，在分类与回归任务中相较基线方法均达到最先进（state-of-the-art）性能。实验结果表明所提框架在降低整体训练成本而不损害预测性能方面的有效性。
引用
@article{arxiv.2010.10293,
title = {A Federated Learning Approach to Anomaly Detection in Smart Buildings},
author = {Raed Abdel Sater and A. Ben Hamza},
journal= {arXiv preprint arXiv:2010.10293},
year = {2021}
}